Resumen: Estudios recientes muestran que los LLM poseen diferentes habilidades y se especializan en diferentes tareas. De hecho, observamos que su rendimiento variado ocurre en varios niveles de granularidad. Por ejemplo, en la tarea de optimización de código, el código LLMS se destaca en diferentes categorías de optimización y nadie domina a otros. Esta observación provoca la cuestión de cómo uno aprovecha múltiples agentes de LLM para resolver un problema de codificación sin conocer sus fortalezas complementarias a priori. Argumentamos que un equipo de agentes puede aprender de los éxitos y fallas de los demás para mejorar su propio rendimiento. Por lo tanto, una lección es el conocimiento producido por un agente y transmitido a otros agentes en el proceso de solución colectiva. Proponemos un marco de colaboración basado en la lección, diseñamos la solicitud de lección, banca, mecanismo de selección y demostramos que un equipo de pequeñas LLM con lecciones aprendidas puede superar a un LLM mucho más grande y otros métodos de colaboración multi-LLM.
Publicado Originalme en rss.arxiv.org El 1 de junio de 2025.
Ver Fuente Original
